시계열 클러스터링은 클러스터링 효과성과 계산 효율성 사이의 내재된 상충 관계 때문에 여전히 어려운 문제입니다. 유사도 기반 방법들은 쌍별 거리 계산으로 인해 종종 이차 복잡도를 겪으며, 딥러닝 기반 접근 방식들은 일반적으로 비용이 많이 드는 반복적 학습과 많은 수의 학습 가능한 매개변수에 의존합니다. 본 논문에서는 다중 스케일 리저버 컴퓨팅, 그레뉼러-볼 기반 앵커링 그래프 구성, 그리고 합의 학습(consensus learning)을 통합한 효율적인 시계열 클러스터링 프레임워크인 MSRGC-Net을 제안합니다. MSRGC-Net은 역전파(backpropagation) 없이 원시 시계열에서 다중 스케일 시간 표현을 추출하는 훈련 불필요(training-free) 리저버 컴퓨팅 패러다임을 채택하여 계산 오버헤드를 크게 줄입니다. 결과로 얻어진 표현의 고유한 구조를 포착하기 위해, 그레뉼러-볼 컴퓨팅을 사용하여 밀도 일관성 영역(density-consistent regions)을 통해 데이터 분포를 적응적으로 모델링하며, 이를 통해 간결하고 견고한 앵커 그래프 표현을 산출합니다. 나아가, 다중 스케일 리저버 표현을 효과적으로 정렬하고 시간적 스케일에 걸쳐 상호 보완적인 정보를 통합하기 위해 합의 기반 앵커링 그래프 최적화 전략이 도입됩니다. 널리 사용되는 단변량 및 다변량 벤치마크 데이터셋에 대한 광범위한 실험은 MSRGC-Net이 우수한 계산 효율성을 유지하면서 클러스터링 성능 면에서 기존 최고 수준의 방법들(state-of-the-art methods)을 일관되게 능가함을 입증합니다.